mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007- 2008.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, rumusan masalah dalam penelitian ini adalah :
1. Bagaimana algoritma
Local Outlier Probability
LoOP dapat mendeteksi
outlier
dari data nilai akademik mahasiswa?
1.3 Batasan Masalah
Batasan masalah pada penelitian ini adalah sebagai berikut : 1.
Penggunaan algoritma
Local Outlier Probability
LoOP yang digunakan sebagai sarana untuk mendeteksi
outlier
pada kumpulan data numerik nilai PMB dan nilai IPS mahasiswa Teknik Informatika
Universitas Sanata Dharma. 2.
Data yang digunakan adalah kumpulan data numerik nilai PMB dan nilai IPS mahasiswa Teknik Informatika Universitas Sanata Dharma
angkatan 2007-2008.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah sebagai berikut : 1.
Menerapkan algoritma
Local Outlier Probability
LoOP untuk mendeteksi
outlier
pada kumpulan data numerik nilai PMB dan nilai IPS mahasiswa Teknik Informatika Universitas Sanata Dharma.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah sebagai berikut : 1.
Menambah pengetahuan tentang kemampuan algoritma
Local Outlier Probability
LoOP dalam mendeteksi
outlier
dengan studi kasus data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma.
2. Memberikan informasi kepada pihak Universitas dalam mendeteksi
anomali data yang ada pada data akademik mahasiswa.
1.6 Metodologi Penelitian
Metodologi yang digunakan dalam penelitian ini adalah : 1.
Studi Pustaka Metode ini merupakan salah satu metode penelitian yang dilakukan
dengan cara mempelajari hal-hal yang berkaitan dengan deteksi
outlier
menggunakan algoritma
Local Outlier Probability
LoOP dan mengumpulkan informasi yang didapat dari berbagai sumber,
diantaranya adalah artikel, karya ilmiah terdahulu, dan
website
internet. 2.
Teknik Data Mining Pada metode ini menggunakan metode KDD
Knowledge Discovery in Databases
yang dikemukakan oleh Jiawei Han dan Kamber. Langkah- langkahnya adalah sebagai berikut :
a. Penggabungan Data
Data Integration
Proses menggabungkan data dari beberapa sumber agar data dapat terangkum ke dalam tempat penyimpanan atau satu tabel yang utuh.
b. Seleksi Data
Data Selection
Proses pemilihan atribut-atribut yang relevan untuk dilakukan penambangan data. Sedangkan, atribut yang tidak sesuai akan
dihilangkan. c.
Transformasi Data
Data Transformation
Pada proses
ini data
yang sudah
diseleksi selanjutnya
ditransformasikan ke dalam bentuk yang sesuai untuk ditambang.
d. Penambangan Data
Data Mining
Proses mengaplikasikan metode yang tepat untuk mendapatkan pola pada suatu kumpulan data. Dalam penelitian ini, metode yang
digunakan adalah metode analisis
outlier
dengan menggunakan pendekatan
density based.
Algoritma yang digunakan untuk mendeteksi
outlier
adalah algoritma
Local Outlier Probability
LoOP
.
e. Evaluasi Pola
Pattern Evaluation
Tahap ini merupakan bagian dari proses pencarian pengetahuan yang mencakup pemeriksaan apakah pola atau informasi yang ditemukan
bertentangan dengan fakta atau hipotesa yang ada sebelumnya. f.
Presentasi Pengetahuan
Knowledge Presentation
Pada tahap ini pola yang telah didapat selanjutnya direpresentasikan kepada pengguna ke dalam bentuk yang lebih mudah untuk
dipahami.
1.7 Sistematika Penulisan
Kategori